دوره یادگیری ماشین نظارت‌شده با پایتون: مبانی و کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین نظارت‌شده با پایتون: مبانی و کاربردها

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین نظارت‌شده
• 3. انواع مسائل یادگیری ماشین نظارت‌شده
• 4. مجموعه داده: ساختار و آماده‌سازی
• 5. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 6. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 7. انتخاب ویژگی: کاهش ابعاد
• 8. معرفی مدل‌های یادگیری ماشین
• 9. رگرسیون خطی ساده
• 10. ارزیابی مدل‌های رگرسیون: خطای میانگین مربعات
• 11. ارزیابی مدل‌های رگرسیون: ضریب تعیین
• 12. رگرسیون خطی چندگانه
• 13. تنظیم مدل‌های رگرسیون: منظم‌سازی لاسو
• 14. تنظیم مدل‌های رگرسیون: منظم‌سازی ریج
• 15. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 16. معیارهای ارزیابی طبقه‌بندی: دقت و صحت
• 17. معیارهای ارزیابی طبقه‌بندی: فراخوانی و امتیاز F1
• 18. ماتریس درهم‌ریختگی
• 19. آستانه تصمیم‌گیری در طبقه‌بندی
• 20. منحنی مشخصه عملکرد گیرنده (ROC)
• 21. منحنی سطح زیر منحنی (AUC)
• 22. درختان تصمیم برای رگرسیون
• 23. درختان تصمیم برای طبقه‌بندی
• 24. تنظیم درختان تصمیم: هرس کردن
• 25. جنگل‌های تصادفی برای رگرسیون
• 26. جنگل‌های تصادفی برای طبقه‌بندی
• 27. دسته‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 28. هسته‌ها در SVM
• 29. ماشین‌های بردار پشتیبان برای رگرسیون (SVR)
• 30. دسته‌بندی‌کننده‌های بیز ساده
• 31. بیان احتمال در طبقه‌بندی بیز
• 32. تحلیل مولفه‌های اصلی (PCA)
• 33. کاهش ابعاد با PCA
• 34. تجزیه و تحلیل تفکیک خطی (LDA)
• 35. کاربرد PCA و LDA در پیش‌پردازش
• 36. معرفی الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 37. تنظیم پارامتر K در KNN
• 38. KNN برای رگرسیون
• 39. مدل‌های آنسامبل: تقویت گرادیان
• 40. تقویت گرادیان برای رگرسیون
• 41. تقویت گرادیان برای طبقه‌بندی
• 42. مدل‌های آنسامبل: Adaboost
• 43. Adaboost برای رگرسیون
• 44. Adaboost برای طبقه‌بندی
• 45. مدل‌های آنسامبل: XGBoost
• 46. کاربرد XGBoost در مسابقات
• 47. معرفی شبکه‌های عصبی مصنوعی
• 48. لایه ورودی و خروجی در شبکه‌های عصبی
• 49. لایه‌های پنهان و توابع فعال‌سازی
• 50. پس‌انتشار خطا (Backpropagation)
• 51. آموزش شبکه‌های عصبی: نرخ یادگیری
• 52. آموزش شبکه‌های عصبی: بهینه‌سازها
• 53. آموزش شبکه‌های عصبی: تابع زیان
• 54. شبکه‌های عصبی برای رگرسیون
• 55. شبکه‌های عصبی برای طبقه‌بندی
• 56. شبکه‌های عصبی کانولوشنال (CNN) - مقدمه
• 57. کاربرد CNN در پردازش تصویر
• 58. شبکه‌های عصبی بازگشتی (RNN) - مقدمه
• 59. کاربرد RNN در پردازش زبان طبیعی
• 60. شبکه‌های عصبی ترنسفورمر - مقدمه
• 61. کاربرد ترنسفورمر در NLP
• 62. یادگیری بدون نظارت - مقدمه
• 63. خوشه‌بندی K-Means
• 64. ارزیابی خوشه‌بندی
• 65. کاهش ابعاد با تحلیل مولفه‌های اصلی (PCA)
• 66. شناسایی ناهنجاری‌ها
• 67. یادگیری تقویتی - مقدمه
• 68. مفاهیم پایه یادگیری تقویتی
• 69. کاربردهای یادگیری تقویتی
• 70. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 71. پیش‌پردازش متن: توکنیزاسیون
• 72. پیش‌پردازش متن: حذف کلمات توقف
• 73. پیش‌پردازش متن: ریشه‌یابی کلمات
• 74. مدل‌سازی موضوعی: LSA
• 75. مدل‌سازی موضوعی: LDA
• 76. تعبیه‌سازی کلمات: Word2Vec
• 77. تعبیه‌سازی کلمات: GloVe
• 78. تحلیل احساسات
• 79. طبقه‌بندی متن
• 80. استخراج اطلاعات
• 81. سیستم‌های توصیه‌گر - مقدمه
• 82. فیلترینگ مشارکتی
• 83. فیلترینگ مبتنی بر محتوا
• 84. سیستم‌های توصیه‌گر ترکیبی
• 85. ارزیابی سیستم‌های توصیه‌گر
• 86. مقدمه‌ای بر یادگیری عمیق
• 87. شبکه‌های عصبی عمیق
• 88. کاربرد شبکه‌های عصبی عمیق در بینایی ماشین
• 89. کاربرد شبکه‌های عصبی عمیق در NLP
• 90. اخلاق در هوش مصنوعی
• 91. حریم خصوصی داده‌ها و هوش مصنوعی
• 92. سوگیری در الگوریتم‌های هوش مصنوعی
• 93. تفسیرپذیری مدل‌های هوش مصنوعی
• 94. کاربردهای عملی یادگیری ماشین در صنعت
• 95. یادگیری ماشین در حوزه سلامت
• 96. یادگیری ماشین در حوزه مالی
• 97. یادگیری ماشین در حوزه بازاریابی
• 98. آینده یادگیری ماشین و هوش مصنوعی